イタコン酸生産のシミュレーションにおけるモデル校正のための深層学習

arXiv cs.LG / 2026/4/27

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本研究では、攪拌速度や反応器スケールの異なる条件で行った実バッチ実験データから、イタコン酸生産モデルの速度論パラメータを深層学習で推定します。
速度論推定の手法として、ダイレクト深層学習（DDL）と生成的条件付きフローマッチング（CFM）を、基準手法である非線形回帰と比較・ベンチマークします。
CFMはDDLよりも一貫して高い精度を示し、濃度プロファイルは非線形回帰の結果に非常に近い形で再現されます。
スケールアップ実験でも同様の傾向が見られ、CFMは直接手法よりも汎化性能と頑健性が高いことが確認されます。
総じて、CFMは動的バイオプロセスモデルにおけるパラメータ推定のための柔軟で、データ効率の高い枠組みになり得ることを示しています。

Abstract

本研究では、異なる撹拌速度およびリアクター規模で実施された実バッチ実験に基づき、イタコン酸の生産をモデル化するための動力学パラメータを推定するのに深層学習を用いる。直接深層学習（DDL）と生成的条件付きフローマッチング（CFM）の2つの深層学習戦略を、参照手法として非線形回帰と比較し、ベンチマークする。DDLと比べて、CFMは一貫してより高い精度の結果をもたらす。CFMによって予測された濃度プロファイルは、非線形回帰によって得られたものと非常に良く一致するのに対し、DDLはより大きな偏差を示す。同様の傾向はスケールアップ実験でも観察され、CFMモデルは再び直接アプローチよりも良く一般化し、より頑健であることが示される。これらの知見は、CFMが異なる運転条件やスケールにわたってシステム挙動を信頼性高く予測できることを示しており、動的バイオプロセスモデルにおけるパラメータ推定のための、柔軟でデータ効率の高い枠組みを提供する。